使用 Amazon 的機器學習概述 SageMaker - Amazon SageMaker

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

使用 Amazon 的機器學習概述 SageMaker

本節說明典型的機器學習 (ML) 工作流程，並說明如何使用 Amazon 完成這些任務 SageMaker。

在機器學習中，您可以教導計算機進行預測或推論。首先，請使用演算法和範例資料來訓練模型。然後，您可以將模型整合到應用程式中，以便即時且大規模地產生推論。

下圖顯示建立 ML 模型的典型工作流程。它包括在一個圓形流程中的三個階段，我們將更詳細地介紹該圖表：

  • 產生範例資料

  • 訓練模型

  • 部署模型

ML 模型建立的三個階段。

此圖顯示如何在大多數一般情況下執行下列工作：

  1. 產生範例資料 — 若要訓練模型，您需要範例資料。您需要的資料類型取決於您希望模型解決的業務問題。這與您希望模型產生的推論有關。例如，如果您想要建立一個模型，從手寫數字的輸入影像中預測數字。要訓練此模型，您需要手寫數字的示例圖像。

    在將範例資料用於模型訓練之前，資料科學家通常會花時間探索和預先處理範例資料。如需預處理資料，通常需要執行以下作業：

    1. 擷取資料 — 您可能擁有內部範例資料儲存庫，或者您可能會使用公開可用的資料集。一般而言，您會將資料集提取至單一儲存庫。

    2. 清理資料 — 若要改善模型訓練，請檢查資料並視需要進行清理。例如，如果您的資料具有包含值的country name屬United States性US，您可以編輯資料以保持一致。

    3. 準備或轉換資料 — 若要改善效能，您可以執行其他資料轉換。例如，您可以選擇合併預測飛機需要除冰條件的機型屬性。您可以將這些屬性合併為新屬性，以取得更好的模型，而不是單獨使用溫度和濕度屬性。

    在中 SageMaker，您可以在整合式開發環境 (IDE) SDK 中使SageMaker APIs用 SageMaker Python 來預先處理範例資料。使SDK用 Python (Boto3)，您可以擷取、探索和準備資料以進行模型訓練。有關資料準備、處理和轉換資料的資訊，請參閱在 中選擇正確資料準備工具的建議 SageMaker使用 SageMaker 處理的資料轉換工作負載、和使用 Feature Store 建立、儲存和共用功能。

  2. 訓練模型 — 模型訓練包括訓練和評估模型，如下所示：

    • 訓練模型 — 若要訓練模型，您需要演算法或預先訓練的基礎模型。您所選的演算法會視多種因素而定。對於內置解決方案，您可以使用 SageMaker 提供的算法之一。如需提供的演算法清單 SageMaker 及相關考量，請參閱〈〉Amazon 中的內建演算法和預先訓練的模型 SageMaker。如需提供演算法和模型的基於使用者介面的訓練解決方案，請參閱SageMaker JumpStart 預先訓練的模型。

      您亦需擁有適用於訓練的運算資源。您的資源使用取決於訓練資料集的大小以及您需要結果的速度。您可以使用從單一一般用途執行個體到分散式執行個體叢集的GPU資源。如需詳細資訊，請參閱用 Amazon 訓練模型 SageMaker。

    • 評估模型 — 訓練模型之後，您可以對其進行評估，以確定推論的精確度是否可接受。若要訓練和評估您的模型，請使用 SageMaker Python SDK 透過其中一個可IDEs用的方式將要求傳送至模型以進行推論。如需評估模型的詳細資訊，請參閱使用 Amazon Model Monitor 進行資料和 SageMaker 模型品質監控。

  3. 部署模型 — 傳統上，在將模型與應用程式整合並部署之前，您需要重新設計模型。透過 SageMaker 主控服務，您可以獨立部署模型，從而將模型與應用程式程式碼分離。如需詳細資訊，請參閱部署用於推論的模型。

機器學習屬於連續循環作業。部署模型後，您可以監控推論、收集更多高品質資料，並評估模型以識別漂移。然後，您可以更新訓練資料以包含新收集的高品質資料，以提高推論的準確性。隨著更多範例資料可用，您可以繼續重新訓練模型以提高準確度。